立足制造本质,大力推进制造业与智能技术的结合发展,对推动制造业的技术升级与优化发展具有重要意义。铣削刀具作为机械加工的重要执行末端,其磨损状态的识别与刀具的及时更换对工件的加工精度、机床的加工效率具有重要的影响;相较于传统的依赖于人工经验的刀具磨损状态识别方法,开展以加工过程中采集到的传感器信号为基础的刀具磨损状态监测方法研究,对充分挖掘刀具加工潜力、有效指导工业生产,驱动制造业绿色化、智能化转型具有重要意义。为此,本文以铣削加工过程中采集到的多传感器数据为基础,开展了铣削刀具磨损状态监测方法研究,论文的主要研究内容如下:采用可视化与分段均值拼接的方法,分别分析了多传感器信号中在单次铣削与刀具全寿命周期下的演变规律;针对多源异构传感器信号数据量庞大、冗余,单个时序数据点信息容量低等问题,选取了三轴振动传感器信号作为后续的数据来源,并通过将振动信号转为音频信号等方法,验证了其数据有效性;以无效信号剔除、数据子区间划分等数据预处理方法为基础,结合短时傅里叶变换方法,建立了时频域特征数据提取流程,在降低时序数据长度的同时,提升了单个时间步的信息容量;建立了用于三折交叉验证的数据集,为模型训练及验证打下了坚实的数据基础。针对卷积神经网络对时间步顺序不敏感以及循环神经网络存在的结构复杂、训练效率低等问题,结合三轴时频特征输入数据的特点,提出了一种基于Transformer的刀具磨损状态监测方法;进行了不同超参数设置下模型效果的对比分析,确定了最佳的超参数组合;利用可视化分析的方法,验证了自注意力机制对输入数据的有效编码,并探讨了位置编码模块对模型效果的影响;在三折交叉验证的条件下,验证了该方法对不同磨损阶段数据的有效监测能力,并通过与循环神经网络模型的对比分析,证明了该方法在训练精度、训练效率上的优越性。针对Transformer模型在部分验证集上分类效果不佳的现象,在对模型编码器端输出数据进行可视化分析的基础上,提出了一种基于Transformer-CNN的刀具磨损状态监测方法,建立了结合实例规范化方法与二维卷积神经网络的解码器端模型;采用特征提取的预训练方法,分析了不同数据规范化方法及编码器端模型对模型效果的影响;最后,在整体数据集上对基于Transformer-CNN的刀具磨损状态监测模型进行了训练验证,结果显示该模型取得了 95.2%的整体准确率,特别是对处于严重磨损阶段的数据具有良好的辨识能力。